《大型風電場發電功率建模與預測》全面系統地介紹了風力發電的特點、數值天氣預報模型及預報模式，以及風力發電功率預測的重要性、誤差評價指標、理論基礎、方法、誤差分析及套用，從超短期預測、短期預測、中期預測、預測誤差分布不同角度套用不同的預測模型進行了仿真實例分析，同時給出了一套集成化風力發電功率預測系統。
基本介紹
- 書名：大型風電場發電功率建模與預測
- 出版社：科學出版社
- 頁數：203頁
- 開本：5
- 作者：冬雷 廖曉鐘
- 出版日期：2014年10月1日
- 語種：簡體中文
內容簡介,圖書目錄,
內容簡介
《大型風電場發電功率建模與預測》可供研究院所和高等院校從事新能源研究領域的人員閱讀，也可供高等院校電氣工程專業的研究生參考。
圖書目錄
前言
第1章 風力發電及風力發電功率預測 1
1.1 風力發電概述 1
1.2 風力發電特性 3
1.2.1 風力發電的特點 3
1.2.2 風機的風速—功率曲線 4
1.2.3 影響風電場輸出功率的地理因素 6
1.3 NWP介紹 7
1.3.1 NWP模型 7
1.3.2 中尺度氣象預報模式 9
1.3.3 常用的NWP模式 10
1.4 風力發電功率預測方法 11
1.4.1 按預測時間尺度劃分 11
1.4.2 按預測的物理量劃分 12
1.4.3 按預測範圍劃分 12
1.4.4 按預測模型劃分 12
1.5 風力發電功率預測的發展 15
1.5.1 國外對風力發電功率預測的研究 15
1.5.2 國內對風力發電功率預測的研究 17
1.6 風力發電功率預測誤差及評價指標 19
1.6.1 預測誤差來源 19
1.6.2 預測誤差分析意義 20
1.6.3 常用誤差評價指標 20
1.7 本章小結 20
參考文獻 21
第2章 風力發電功率預測理論基礎 26
2.1 時間序列法 26
2.1.1 時間序列簡介 26
2.1.2 時間序列分析相關概念 27
2.1.3 時間序列模型定階 28
2.1.4 時間序列模型參數估計 29
2.1.5 ARMA模型的建立 30
2.2 神經網路 31
2.1.1 神經網路簡介 31
2.2.2 人工神經元模型 31
2.2.3 神經網路拓撲結構 34
2.2.4 神經網路的學習 35
2.2.5 神經網路建模過程 36
2.2.6 BP網路模型 36
2.2.7 RBF網路模型 38
2.3 支持向量機 39
2.3.1 機器學習的基本問題 39
2.3.2 統計學習理論 41
2.3.3 結構風險最小化原則 42
2.3.4 支持向量機理論 43
2.4 信號分解 59
2.4.1 小波變換及其理論 59
2.4.2 經驗模式分解及其理論 62
2.5 混沌理論與相空間重構 63
2.5.1 混沌時間序列 63
2.5.2 混沌基本概念 63
2.5.3 混沌系統的判定 64
2.5.4 相空間重構與Takens嵌入定理 66
2.5.5 時間延遲和嵌入維數的選取 67
2.6 本章小結 70
參考文獻 70
第3章 風力發電功率的超短期預測 73
3.1 本章仿真數據描述 73
3.2 風力發電功率預測的時間序列法 74
3.2.1 基於ARMA的風力發電功率預測模型及仿真實例 74
3.2.2 基於多種定階方法的ARMA組合最佳化預測模型及仿真實例 78
3.2.3 風力發電功率預測的噪聲場合下的ARMA模型 79
3.3 風力發電功率預測的相空間重構法 83
3.3.1 風力發電功率時間序列的混沌屬性 83
3.3.2 基於相空間重構的神經網路模型結構 87
3.3.3 基於相空間重構的神經網路模型的建立 89
3.3.4 仿真實例分析 90
3.3.5 基於相空間重構的支持向量機模型結構 92
3.3.6 仿真實例分析 94
3.4 風力發電功率預測的信號分解法 95
3.4.1 小波—神經網路模型及仿真實例 96
3.4.2 經驗模式—神經網路模型及仿真實例 102
3.4.3 各種模型的對比分析 106
3.5 多模型組合預測 107
3.5.1 問題提出 107
3.5.2 多個模型組合方式 108
3.5.3 基於多嵌入維數的神經網路集成模型結構 110
3.5.4 仿真實例及分析 110
3.6 本章小結 114
參考文獻 115
第4章 風力發電功率的短期預測 117
4.1 本章仿真數據描述 117
4.2 基於單位置NWP的神經網路風力發電功率預測 117
4.2.1 NWP信息與風力發電功率的關係 117
4.2.2 預測模型結構 119
4.2.3 仿真實例 120
4.3 基於聚類分析的風力發電功率預測 120
4.3.1 風力發電功率的日相似性分析 121
4.3.2 聚類分析的基本原理 124
4.3.3 預測模型結構 128
4.3.4 仿真實例 128
4.4 基於多位置NWP粗糙集約簡的風力發電功率預測 133
4.4.1 粗糙集理論 133
4.4.2 基於多位置NWP粗糙集約簡的預測模型 136
4.4.3 仿真實例 137
4.5 基於多位置NWP主成分分析的風力發電功率預測 143
4.5.1 主成分分析的原理 143
4.5.2 預測模型結構 148
4.5.3 仿真實例 148
4.6 本章小結 154
參考文獻 154
第5章 風力發電功率的中期預測 156
5.1 本章仿真數據描述 156
5.2 基於氣象信息約簡的粗糙集神經網路中期預測 157
5.2.1 基於粗糙集約簡的中期風速預測模型 157
5.2.2 基於粗糙集方法的風力發電功率預測影響因素約簡 157
5.2.3 粗糙集神經網路預測模型建模 159
5.2.4 風速預測仿真結果分析 161
5.2.5 月平均風速和風力發電量的關係 162
5.3 基於灰色理論的月發電量預測 164
5.4 多模型組合預測 166
5.5 本章小結 167
參考文獻 167
第6章 集成化風力發電功率預測系統 168
6.1 系統設計需求 168
6.1.1 電網需求 168
6.1.2 風電場需求 169
6.1.3 技術開發需求 170
6.2 集成化風力發電功率預測系統設計方案 170
6.2.1 系統軟體組成 170
6.2.2 系統硬體設計 171
6.2.3 系統軟體設計 176
6.2.4 系統軟體開發環境介紹 176
6.3 集成化風力發電功率預測系統功能 177
6.3.1 數據採集功能 177
6.3.2 數據處理功能 177
6.3.3 數據統計功能 177
6.3.4 預測功能 179
6.3.5 界面顯示功能 179
6.3.6 輸出功能 180
6.4 集成化風力發電功率預測系統互動界面 180
6.4.1 系統登錄界面 180
6.4.2 預測系統界面 181
6.4.3 實時數據監測界面 183
6.4.4 氣象數據查詢 184
6.4.5 功率數據查詢 185
6.4.6 系統運行監控 188
6.5 本章小結 189
參考文獻 189
第7章 風力發電功率預測的套用 190
7.1 風力發電功率預測誤差分析 190
7.1.1 風力發電功率預測誤差的存在形式 190
7.1.2 風力發電功率預測誤差產生的原因 191
7.1.3 風力發電預測誤差分布 193
7.2 風力發電預測對系統備用容量的影響 194
7.2.1 電力系統可靠性指標 194
7.2.2 系統備用容量的計算 195
7.3 考慮預測誤差分布的系統儲能容量配置實例 198
7.3.1 風力發電功率預測誤差分布分析 198
7.3.2 系統儲能配置 200
7.4 本章小結 202
參考文獻 202
第1章 風力發電及風力發電功率預測 1
1.1 風力發電概述 1
1.2 風力發電特性 3
1.2.1 風力發電的特點 3
1.2.2 風機的風速—功率曲線 4
1.2.3 影響風電場輸出功率的地理因素 6
1.3 NWP介紹 7
1.3.1 NWP模型 7
1.3.2 中尺度氣象預報模式 9
1.3.3 常用的NWP模式 10
1.4 風力發電功率預測方法 11
1.4.1 按預測時間尺度劃分 11
1.4.2 按預測的物理量劃分 12
1.4.3 按預測範圍劃分 12
1.4.4 按預測模型劃分 12
1.5 風力發電功率預測的發展 15
1.5.1 國外對風力發電功率預測的研究 15
1.5.2 國內對風力發電功率預測的研究 17
1.6 風力發電功率預測誤差及評價指標 19
1.6.1 預測誤差來源 19
1.6.2 預測誤差分析意義 20
1.6.3 常用誤差評價指標 20
1.7 本章小結 20
參考文獻 21
第2章 風力發電功率預測理論基礎 26
2.1 時間序列法 26
2.1.1 時間序列簡介 26
2.1.2 時間序列分析相關概念 27
2.1.3 時間序列模型定階 28
2.1.4 時間序列模型參數估計 29
2.1.5 ARMA模型的建立 30
2.2 神經網路 31
2.1.1 神經網路簡介 31
2.2.2 人工神經元模型 31
2.2.3 神經網路拓撲結構 34
2.2.4 神經網路的學習 35
2.2.5 神經網路建模過程 36
2.2.6 BP網路模型 36
2.2.7 RBF網路模型 38
2.3 支持向量機 39
2.3.1 機器學習的基本問題 39
2.3.2 統計學習理論 41
2.3.3 結構風險最小化原則 42
2.3.4 支持向量機理論 43
2.4 信號分解 59
2.4.1 小波變換及其理論 59
2.4.2 經驗模式分解及其理論 62
2.5 混沌理論與相空間重構 63
2.5.1 混沌時間序列 63
2.5.2 混沌基本概念 63
2.5.3 混沌系統的判定 64
2.5.4 相空間重構與Takens嵌入定理 66
2.5.5 時間延遲和嵌入維數的選取 67
2.6 本章小結 70
參考文獻 70
第3章 風力發電功率的超短期預測 73
3.1 本章仿真數據描述 73
3.2 風力發電功率預測的時間序列法 74
3.2.1 基於ARMA的風力發電功率預測模型及仿真實例 74
3.2.2 基於多種定階方法的ARMA組合最佳化預測模型及仿真實例 78
3.2.3 風力發電功率預測的噪聲場合下的ARMA模型 79
3.3 風力發電功率預測的相空間重構法 83
3.3.1 風力發電功率時間序列的混沌屬性 83
3.3.2 基於相空間重構的神經網路模型結構 87
3.3.3 基於相空間重構的神經網路模型的建立 89
3.3.4 仿真實例分析 90
3.3.5 基於相空間重構的支持向量機模型結構 92
3.3.6 仿真實例分析 94
3.4 風力發電功率預測的信號分解法 95
3.4.1 小波—神經網路模型及仿真實例 96
3.4.2 經驗模式—神經網路模型及仿真實例 102
3.4.3 各種模型的對比分析 106
3.5 多模型組合預測 107
3.5.1 問題提出 107
3.5.2 多個模型組合方式 108
3.5.3 基於多嵌入維數的神經網路集成模型結構 110
3.5.4 仿真實例及分析 110
3.6 本章小結 114
參考文獻 115
第4章 風力發電功率的短期預測 117
4.1 本章仿真數據描述 117
4.2 基於單位置NWP的神經網路風力發電功率預測 117
4.2.1 NWP信息與風力發電功率的關係 117
4.2.2 預測模型結構 119
4.2.3 仿真實例 120
4.3 基於聚類分析的風力發電功率預測 120
4.3.1 風力發電功率的日相似性分析 121
4.3.2 聚類分析的基本原理 124
4.3.3 預測模型結構 128
4.3.4 仿真實例 128
4.4 基於多位置NWP粗糙集約簡的風力發電功率預測 133
4.4.1 粗糙集理論 133
4.4.2 基於多位置NWP粗糙集約簡的預測模型 136
4.4.3 仿真實例 137
4.5 基於多位置NWP主成分分析的風力發電功率預測 143
4.5.1 主成分分析的原理 143
4.5.2 預測模型結構 148
4.5.3 仿真實例 148
4.6 本章小結 154
參考文獻 154
第5章 風力發電功率的中期預測 156
5.1 本章仿真數據描述 156
5.2 基於氣象信息約簡的粗糙集神經網路中期預測 157
5.2.1 基於粗糙集約簡的中期風速預測模型 157
5.2.2 基於粗糙集方法的風力發電功率預測影響因素約簡 157
5.2.3 粗糙集神經網路預測模型建模 159
5.2.4 風速預測仿真結果分析 161
5.2.5 月平均風速和風力發電量的關係 162
5.3 基於灰色理論的月發電量預測 164
5.4 多模型組合預測 166
5.5 本章小結 167
參考文獻 167
第6章 集成化風力發電功率預測系統 168
6.1 系統設計需求 168
6.1.1 電網需求 168
6.1.2 風電場需求 169
6.1.3 技術開發需求 170
6.2 集成化風力發電功率預測系統設計方案 170
6.2.1 系統軟體組成 170
6.2.2 系統硬體設計 171
6.2.3 系統軟體設計 176
6.2.4 系統軟體開發環境介紹 176
6.3 集成化風力發電功率預測系統功能 177
6.3.1 數據採集功能 177
6.3.2 數據處理功能 177
6.3.3 數據統計功能 177
6.3.4 預測功能 179
6.3.5 界面顯示功能 179
6.3.6 輸出功能 180
6.4 集成化風力發電功率預測系統互動界面 180
6.4.1 系統登錄界面 180
6.4.2 預測系統界面 181
6.4.3 實時數據監測界面 183
6.4.4 氣象數據查詢 184
6.4.5 功率數據查詢 185
6.4.6 系統運行監控 188
6.5 本章小結 189
參考文獻 189
第7章 風力發電功率預測的套用 190
7.1 風力發電功率預測誤差分析 190
7.1.1 風力發電功率預測誤差的存在形式 190
7.1.2 風力發電功率預測誤差產生的原因 191
7.1.3 風力發電預測誤差分布 193
7.2 風力發電預測對系統備用容量的影響 194
7.2.1 電力系統可靠性指標 194
7.2.2 系統備用容量的計算 195
7.3 考慮預測誤差分布的系統儲能容量配置實例 198
7.3.1 風力發電功率預測誤差分布分析 198
7.3.2 系統儲能配置 200
7.4 本章小結 202
參考文獻 202
